12:15官方一手arXiv: DeepSeek@Ruiyang Zhang精选基于线性时序逻辑(LTL)和有限自动机(FSA)的运行时监控器用于拦截LLM智能体的不安全工具调用序列。研究发现同一监控器在GPT类和DeepSeek后端上攻击覆盖率约68-75%,在Gemini变体上仅6-13%。攻击分布的Shannon熵差异解释了这一差距:GPT类集中(H≈0.24比特,单个模式覆盖96%),Gemini分散(H≈2.81比特,7个簇各≤7%)。熵对覆盖率变异解释率为76%(Pearson r=-0.87,p=0.005),留一法验证r在[-0.91,-0.82]。论文提出部署前熵测试,可从小样本攻击数据预测监控覆盖率。论文LTLAI安全智能体推荐理由:这篇论文说清了同一安全监控器在GPT/DeepSeek上能拦七成攻击、在Gemini上几乎失灵的原因,还给了部署前预测覆盖率的测试。原文稍后读已读值得跟进有用关注 LTL
11:18官方账号arXiv cs.AI@Christoph Weinhuber, Maximilian Prokop, Giuseppe De Giacomo, Moshe Y. Vardi本文提出首个从线性时序逻辑LTL到LTLf+的翻译方法,LTLf+是一种保留LTL表达能力的无限迹逻辑,但推理可基于有限字上的有限自动机。作者先将LTL公式归一化为Manna-Pnueli层次中的语法反应性片段,再对该片段各组件给出线性翻译。该翻译使LTLf+的有限自动机技术可用于AI中的LTL问题,且从LTL经LTLf+到自动机的整体复杂度保持双重指数,无额外渐近代价。论文LTLLTLf+时序逻辑推荐理由:这篇论文把LTL规约转成LTLf+,以后处理无限迹目标就能用有限自动机的成熟工具了,而且复杂度不涨。原文稍后读已读值得跟进有用关注 LTL
10:02官方账号arXiv cs.AI@Parastou Fahim, Constantino Lagoa, Rômulo Meira-G'oes现有LTL学习方案通常假设演示正确,但实际中传感器故障或数据丢失会导致轨迹不确定。本文提出用汉明距离建模不确定性,为每条观测轨迹生成多个可能估计,并通过约束确保每组至少一条与学习公式一致。问题归约为伪布尔优化,在评估中恢复的规范比现有LTL学习方法更接近真实公式。论文LTL时序规范不确定性推荐理由:这篇论文解决了现实场景中演示数据不确定的问题,用汉明距离和伪布尔优化改进LTL学习,结果更靠谱,适合做形式化验证的朋友看看。原文稍后读已读值得跟进有用关注 LTL